我最近也遇到了类似的问题,并编写了一个库来帮助解决它:pdfquery。
PDFQuery从PDF创建一个元素树(使用pdfminer和一些额外的糖),并允许您使用JQuery或XPath选择器从页面获取元素,主要基于元素的文本内容或位置。因此,要分析一个表,首先要通过搜索标签来找到它在文档中的位置:label = pdf.pq(':contains("Name of your table")')
left_corner = float(label.attr('x0'))
bottom_corner = float(label.attr('y0'))
然后继续搜索表下面的行,直到搜索没有返回结果:page = label.closest('LTPage')
while 1:
row = pdf.extract( [
('column_1', ':in_bbox("%s,%s,%s,%s")' % (left_corner+10, bottom_corner+40, left_corner+50, bottom_corner+20)),
('column_2', ':in_bbox("%s,%s,%s,%s")' % (left_corner+50, bottom_corner+40, left_corner+80, bottom_corner+20))
], page)
if not row['column_1'] or row['column_2']:
break
print "Got row:", matches
bottom_corner -= 20
这假设您的行高20点,第一列从标签下20点开始,第一列从标签左边缘的10到50点开始,第二列从标签左边缘的50到80点开始。
如果你有空行或不同高度的行,这会变得更烦人。如果表中的条目足够接近,使解析器认为它只是一行,则可能还需要使用merge_tags=None选项来选择单个字符而不是单词。但希望这能让你更亲近。。。